Self-Optimizing Enterprise RAG+SQL Knowledge Agents: Unified Retrieval, Schema-Aware Query Translation, Event Graph Reasoning, and Adaptive Model Routing
本文提出了一种自优化企业级 RAG+SQL 知识智能体，这是一种中间件架构，它通过统一具备模式感知能力的 SQL 转换、混合文档与图谱检索以及自适应模型路由，将复杂的企业级问答处理为一个针对异构知识工具的自优化控制问题。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
现代企业并不将知识存储在单一的地方。关于客户、合同和财务表现的关键事实存在于结构化数据库中，数据以行和列的形式进行组织。与此同时，这些数字背后的故事——事件报告、政策文件和操作日志——则存在于非结构化文本文件、电子表格和 PDF 中。几十年来，人工智能系统一直难以弥合这一鸿沟。一种被称为检索增强生成（RAG）的系统擅长在庞大的文本库中寻找答案，但无法执行数据库所需的精确计算。另一种能够将人类问题转化为数据库查询的系统，虽然可以处理数字，却无法阅读政策手册或理解叙述性报告中的事件序列。这种分离迫使公司在准确性和上下文之间做出选择，往往导致它们在面对需要两者兼备的复杂问题时，只能得到不完整的答案。
由 Sliced Health 的 Harshil Lodhiya 最近提出的研究中详细介绍了一种新方法，该方法提议了一种统一的解决方案，将企业知识视为一个单一且互联的生态系统，而非一系列孤立的孤岛。该研究者引入了一个名为“自优化企业 RAG+SQL 知识智能体”（Self-Optimizing Enterprise RAG+SQL Knowledge Agent）的系统。这不仅仅是一个搜索文本或编写代码的工具；它是一种中间件架构，旨在充当多种信息源的中央指挥官。它接收自然语言问题，将其分解为特定的任务，然后编排一系列动作：检索相关文档、遍历事件之间的关系图谱，并执行精确的数据库查询。至关重要的是，该系统并不仅止于生成答案。它持续监控自身的性能，从每一次交互中学习，以改进其选择工具、检索信息和验证工作的方式。其结果是，该系统可以回答诸如“哪些受上周停机影响的客户在合同中拥有高级支持服务？”之类的问题，通过同时阅读事件报告、检查数据库中的受影响账户并核实合同条款，同时确保最终答案是安全、准确且来源充分的。
核心创新在于系统在开始工作之前如何进行规划。该智能体并非要求单个人工智能模型去猜测答案，而是首先将用户的问题分解为一个“类型化证据计划”（typed evidence plan）。该计划是一个结构化的操作序列，类似于熟练调查员的清单。对于一个复杂的查询，智能体可能会首先在日志中识别出特定的事件，然后利用该信息找到相关的客户姓名，最后利用这些姓名在数据库中筛选合同详情。该计划中的每一步都分配了一个特定的工具：一个用于阅读文本，一个用于导航关系图，还有一个用于编写并运行数据库命令。通过将规划阶段与执行阶段分离，系统确保了它收集的每一件信息都是相关的，并且连接它们的逻辑是可审计的。这种结构防止了系统产生幻觉或做出无根据的推断，因为最终答案中的每一个主张都必须有来自处理过程中收集到的特定证据的支持。
为了处理庞大且多样化的企业数据，该系统采用了结合三种不同方法的混合检索策略。它使用稠密向量搜索来寻找在语义上与问题相似的文本，即使单词并不完全匹配。它采用词法匹配来寻找精确术语，这对于特定的代码或名称至关重要。最重要的是，它利用基于图的方法来理解关系。在这个图中，事件、文档和数据库记录被链接在一起。如果一个问题涉及导致故障的事件链，系统可以遍历此图，遵循从初始错误到最终影响的因果路径，而不仅仅是搜索关键词。这使得智能体能够重建复杂的叙事，例如失败支付批次背后的事件序列，通过将日志条目、政策违规和特定的数据库行连接起来。
安全性与准确性通过在向用户展示任何最终答案之前进行的严格验证步骤来保证。当系统生成数据库查询时，它并不会直接运行。它首先根据数据库模式（schema）的精简版本对查询进行检查，确保它仅访问用户被允许查看的表和列。随后，查询会在一个只读沙箱（一个安全的、无法修改或删除任何数据的环境）中进行测试。系统会验证查询在语法上是否正确，以及结果在问题语境下是否合理。如果查询验证失败或检索到的证据不足，系统被设计为放弃给出答案，而不是进行猜测。相反，它会解释缺失的信息或无法继续执行的原因，这一特性对于在金融或合规等高风险环境中建立信任至关重要。
该架构最动态的方面在于其自我优化的能力。该系统作为一个闭环控制问题运行，根据来自现实世界的反馈不断调整其行为。随着系统处理数千个查询，它会收集有关决策成本、速度和准确性的遥测数据。它会追踪哪些模型在特定类型的任务中表现最好，哪些检索方法产生了最相关的文档，以及在哪里需要调整验证阈值。利用这些数据，系统会自动更新其内部策略。如果某个特定的人工智能模型随着时间的推移变得变慢或准确性下降，系统会学习减少向其分配任务。如果某种类型的文档检索持续无法找到正确信息，系统会调整其搜索权重以优先考虑其他方法。这种持续学习的循环确保了智能体不会保持静态，而是随着企业数据、用户需求和可用技术的变化而进化。
该研究概述了一个使用现有成熟技术构建此类系统的实用蓝图。它建议使用标准的关联数据库来存储元数据和图结构，同时使用向量数据库来管理文本嵌入。该架构是模块化的，允许组织在集成完整的自优化循环之前，先采用单个组件，例如模式感知型查询转换或事件图推理。这种灵活性意味着即使是部分实现也能通过提高特定任务（如生成数据库报告或总结事件日志）的准确性来提供显著价值。最终目标不是取代人类分析师，而是为他们提供一个强大的、可靠的助手，帮助他们在复杂的现代企业知识中导航，将碎片化的数据转化为连贯且可操作的洞察。
研究结果表明，将企业问答视为一个多工具控制问题，而非简单的文本搜索，为实现可靠的企业级人工智能提供了路径。通过将文本检索、图推理和数据库执行的能力整合进一个单一且具备自我纠错能力的框架内，该系统解决了以往方法的根本局限性。它承认没有任何单一的模型或方法可以解决所有问题，而是专注于编排多样化的工具集以产生统一的结果。研究证明，通过精心设计（包括严格的验证、访问控制和持续优化），构建出不仅智能而且安全、透明且能够随时间提升的智能体是完全可能的。这种方法代表了朝着实现人工智能真正理解并与现代企业复杂、多维现实进行交互这一目标的迈进，迈出了重要的一步。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。